استراتيجيات التداول الخوارزميات الجينية

التداول الكمي.
الاستثمار الكمي والأفكار التجارية، والبحث، والتحليل.
الجمعة، 16 تشرين الأول (أكتوبر) 2015.
برنامج مفتوح المصدر الخوارزمية الجينية (ضيف آخر)
مؤخرا أصدرت جينوتيك - برنامج مفتوح المصدر الذي يمكن إنشاء وإدارة مجموعة من أنظمة التداول. في جوهر جينوتيك يكمن في عيد الغطاس: إذا كان من الممكن إنشاء أي برامج مع عدد قليل من تعليمات المجمع، فإنه ينبغي أن يكون من الممكن إنشاء أي أنظمة التداول مع عدد قليل من تعليمات بسيطة مماثلة. هذه التعليمات البسيطة التي لا معنى لها من تلقاء نفسها تصبح قوية للغاية عند دمجها معا. تعليمات الحق في الترتيب الصحيح يمكن أن تخلق أي نوع من النظام الميكانيكي: الاتجاه التالي، يعني العودة أو حتى على أساس البيانات الأساسية.

استراتيجيات التداول الخوارزميات الجينية
الحصول على فيا أب ستور قراءة هذه المشاركة في التطبيق لدينا!
ما مدى فائدة الخوارزمية الجينية للتنبؤ بالسوق المالية؟
هناك مجموعة كبيرة من الأدب حول "نجاح" تطبيق خوارزميات التطور بشكل عام، والخوارزمية الجينية على وجه الخصوص، إلى الأسواق المالية.
ومع ذلك، أشعر بعدم الارتياح عند قراءة هذا الأدب. الخوارزميات الجينية يمكن أن تتناسب مع البيانات الموجودة. مع العديد من تركيبات، فمن السهل أن يأتي مع عدد قليل من القواعد التي تعمل. قد لا يكون قويا وليس لديه تفسير ثابت لماذا تعمل هذه القاعدة وهذه القواعد لا تتجاوز مجرد حجة (دائرية) أن "يعمل لأن الاختبار يظهر أنه يعمل".
ما هو الإجماع الحالي على تطبيق الخوارزمية الجينية في التمويل؟
لقد عملت في صندوق التحوط الذي سمح للاستراتيجيات المشتقة من غا. من أجل السلامة، فإنه يتطلب تقديم جميع النماذج قبل الإنتاج بوقت طويل للتأكد من أنها لا تزال تعمل في باكتيستس. لذلك يمكن أن يكون هناك تأخير لمدة تصل إلى عدة أشهر قبل أن يسمح نموذج لتشغيل.
كما أنه من المفيد لفصل الكون العينة. استخدام نصف عشوائي من الأسهم المحتملة لتحليل غا والنصف الآخر لتأكيد باكتيستس.
وأعتقد أن المشكلة الأكبر هي أن الخوارزميات الجينية هي الإفراط في التحيز، والتحايل على البيانات، وأنها صناديق سوداء (لا تشبه إلى حد كبير الشبكات العصبية ولكن لا تزال تعتمد على الطريقة التي تنفذ بها).
أعتقد أنها لا تستخدم كثيرا. أعتقد أن هناك عدد قليل من صناديق التحوط هناك أن استخدامه ولكن كل شيء في كل ما كانت غارقة ثم ضبطت. (لكنها لا تزال مفيدة للحصول على ورقة مقبولة ؛-)
راجع للشغل: لا يوجد إجماع حقيقي في التمويل - الجميع يحاول اغلب الجميع. هذا هو السبب في أنها مثيرة للاهتمام. (أو وضع طريقة أخرى: هذا هو السبب في أنه لا يزال هناك المشترين والبائعين - توافق حقيقي هو تحطم ؛-)
لقد طبقت غا على جميع أنواع الأشياء. كان لي بعض النجاح في العالم الحتمية حيث يوجد نمط بالفعل، وكنت أعرف أن بعض الهياكل المادية موجودة (التحليل الزلزالي، تحليل الاهتزاز، كالكس المخزون، الخ). بعد أن وجدت نموذج غا الذي تصرف، بدأ العمل الحقيقي. معرفة سبب تصرفه.
كما ولدت الكثير من غا القمامة من البيانات المالية التي "عملت" تبحث إلى الوراء، ولكن كان لا قيمة لها نتطلع.
التقنيات ليست المسألة في التمويل، انها البنية. وبالطبع، لا توجد بيانات كافية (بيانات مفيدة).
هناك الكثير من الناس هنا يتحدثون عن كيفية غاس التجريبية، وليس لديهم أسس نظرية، هي صناديق سوداء، وما شابه ذلك. أرجو أن تتغير! هناك فرع كامل من الاقتصاد مكرسة للنظر في الأسواق من حيث الاستعارات التطورية: الاقتصاد التطوري!
أنا أوصي كتاب دوبر، والأسس التطورية للاقتصاد، كمقدمة. cambridge. org/gb/knowledge/isbn/item1158033؟site_locale=en_GB.
إذا كان وجهة نظرك الفلسفية هي أن السوق هو في الأساس كازينو العملاقة، أو لعبة، ثم غا هو مجرد مربع أسود وليس لديها أي أساس نظري. ومع ذلك، إذا كانت فلسفتك هي أن السوق هو البقاء للأصلح البيئة، ثم غا لديها الكثير من الأسس النظرية، وأنه من المعقول تماما لمناقشة أشياء مثل الشركات الاختلافات، السوق الإيكولوجية، جينوم المحفظة، المناخ التجاري، و مثل.
على افتراض تجنب التحيز التطفل البيانات وجميع المزالق المحتملة لاستخدام الماضي للتنبؤ بالمستقبل، والثقة الخوارزميات الجينية للعثور على الحل "الصحيح" يتجلى إلى حد كبير إلى نفس الرهان تقوم به عندما كنت تدير بنشاط محفظة، سواء كميا أو تقديرية. إذا كنت تعتقد في كفاءة السوق ثم زيادة تكاليف المعاملات الخاصة بك من الإدارة النشطة غير منطقية. إذا، ولكن كنت تعتقد أن هناك هيكلية & أمب؛ والنماذج النفسية أو "العيوب" التي يمكن استغلالها والمكافأة يستحق الوقت والمال للبحث وتنفيذ استراتيجية الخيار المنطقي هو الإدارة النشطة.
إن تشغيل إستراتيجية مشتقة من غا هو رهان ضمني ضد كفاءة السوق. كنت تقول أساسا "أعتقد أن هناك تقييمات سيئة التي تحدث من سبب ما" (كتل من الناس غير العقلاني، صناديق الاستثمار الرعي بسبب الحوافز سوء الانحياز، وما إلى ذلك) و "تشغيل هذا غا يمكن فرز هذه الكتلة من البيانات خارج طريقة أسرع من استطاعتي ".
أنا لست "خبير كمي" مثل كل واحد منكم (أنا مجرد مبرمج)، ولكن هنا هو ما وجدت.
1.) إذا قمت بتعيين القيود بشكل صحيح، فإن النتائج مدهشة. مثلا يمكنك الحصول على المحافظ التي لديها عوائد عالية جدا ومنخفضة المخاطر. ومع ذلك، من المهم جدا وجود قيود متضاربة (على سبيل المثال، يمكن للوالدين أن يكون لديهم العديد من الأطفال، ولكن العدد الإجمالي للأطفال في جيل لا يمكن أن يتجاوز عدد معين) إذا كنت ترغب في الحصول على نتائج جيدة.
2.) أنا لا أعتقد أن غا هو الإفراط في تركيب البيانات. بدلا من ذلك، تقول "لدي الكثير من الجينات (الأسهم) لتبدأ، لذلك أنا مجرد الذهاب لاختيار عدد قليل للبدء، و، باستثناء طفرة في بعض الأحيان، وأنا سوف التمسك بهذه". ثم، على مدى أجيال، فإنه يبين كيفية الاستفادة المثلى من ما بدأ مع، وخلق بورفوليوس الأمثل مع "الجينات" (a. k.a) الأسهم التي بدأت مع (بالإضافة إلى عدد قليل من الطفرات). نوع من مثل باني في هوم ديبوت. هوم ديبوت لديها الكثير من الأدوات، ولكن باني يختار سوى عدد قليل للبدء.
إمهو، الخوارزميات الجينية هي أداة لا تصدق لحل المشاكل التي لا يمكن العقول البشرية.
إذا كنت باكتست بشكل صحيح غا الخاص بك (باستخدام البيانات الماضية فقط لإنشاء سلسلة الدوريات الزمنية للمؤشر)، ثم يمكنك الوثوق في النتيجة.
ولكنني أتفق معك على أن الخوارزميات الجينية هي تجريبية بحتة، وبالتالي لا أشعر بالراحة جدا في استخدامها.
ويعتبر توماس كوفر (الذي كان على الأرجح "نظري المعلومات" لجيله) نهجا "عالمية" لأشياء مثل ضغط البيانات ومخصصات المحفظة كخوارزميات جينية حقيقية.
التطور ليس لديه معلمات لتناسب أو تدريب. لماذا يجب أن الخوارزميات الجينية الحقيقية؟
ولا تقدم النهج الشاملة أي افتراضات بشأن التوزيع الأساسي للبيانات. أنها لا تبذل أي محاولة للتنبؤ بالمستقبل من أنماط أو أي شيء آخر.
الفعالية "النظرية" للنهج العالمية (أنها تواجه تحديات كبيرة في التنفيذ انظر السؤال الأخير: هندسة للمحافظ الشاملة؟) متابعة منهم يفعل ما يتطلب التطور. أسرع وأذكى، أو أقوى لا البقاء بالضرورة في الجيل القادم. تطور تفضل أن الجينات، والكائن الحي، ميمي، محفظة، أو خوارزمية ضغط البيانات المتمركزة إلى الأكثر سهولة التكيف مع ما يحدث بعد ذلك.
أيضا، لأن هذه النهج تجعل لا توجد افتراضات وتشغيل غير بارامتريكالي، يمكن للمرء أن تنظر في جميع الاختبارات، حتى على جميع البيانات التاريخية، خارج العينة.
بالتأكيد لديهم قيود، بالتأكيد أنها لا يمكن أن تعمل لكل نوع مشكلة نواجهها في مجالنا، ولكن جي، ما هي طريقة مثيرة للاهتمام للتفكير في الأشياء.
حسنا، الهدف من الغو الجيني هو العثور على أفضل حل دون المرور في جميع السيناريوهات المحتملة لأنها ستكون طويلة جدا. لذلك بالطبع هو منحنى المناسب، وهذا هو الهدف.

SnowCron.
مجانا E - فئات البريد.
استخدام الخوارزمية الجينية لخلق استراتيجية تداول الفوركس مربحة. الخوارزمية الجينية في اللحاء الشبكات العصبية البرمجيات فيدفوروارد باكبروباغاتيون الشبكة العصبية تطبيق الحسابات الجينية على أساس تداول العملات الأجنبية.
يستخدم هذا المثال مفاهيم وأفكار المقالة السابقة، لذا يرجى قراءة الخوارزمية الجينية للشبكة العصبية في فوريكس ترادينغ سيستمز أولا، على الرغم من أنها ليست إلزامية.
حول هذا النص.
أولا وقبل كل شيء، يرجى قراءة إخلاء المسؤولية. هذا هو مثال على استخدام اللحاء الشبكات العصبية وظائف البرمجيات الخوارزمية الجينية، وليس مثالا على كيفية القيام التداول المربح. أنا لست المعلم الخاص بك، لا ينبغي أن تكون مسؤولة عن الخسائر الخاصة بك.
كورتيكس نيورال نيتوركس البرامج لديها شبكات عصبية في ذلك، و ففب ناقشنا من قبل هو طريقة واحدة فقط لاختيار استراتيجيات تداول العملات الأجنبية. بل هو تقنية جيدة وقوية وعند تطبيقها بشكل صحيح، واعد جدا. ومع ذلك، فإنه لديه مشكلة - لتعليم شبكة العصبية تن، ونحن بحاجة إلى معرفة "الناتج المطلوب".
فمن السهل أن تفعل عندما نفعل وظيفة التقريب، ونحن فقط تأخذ القيمة "الحقيقية" وظيفة، لأننا نعرف ما ينبغي أن يكون.
عندما نقوم بتنبؤ الشبكة العصبية، نحن نستخدم تقنية (وصفها في المقالات السابقة) لتدريس الشبكة العصبية في التاريخ، مرة أخرى، إذا توقعنا، مثلا، سعر الصرف، ونحن نعرف (أثناء التدريب) ما هو التنبؤ الصحيح هو .
ومع ذلك، عندما نقوم ببناء نظام التداول، ليس لدينا أي فكرة عن قرار التداول الصحيح، حتى لو كنا نعرف سعر الصرف! كما هو الأمر في الواقع، لدينا العديد من استراتيجيات تداول العملات الأجنبية يمكننا استخدامها في أي لحظة من الزمن، ونحن بحاجة إلى العثور على واحد جيد - كيف؟ ماذا يجب أن نطعم كمخرجات مطلوبة من الشبكة العصبية لدينا؟
إذا كنت قد اتبعت مقالنا السابق، كما تعلمون، أننا قد خدع للتعامل مع هذه المشكلة. علمنا الشبكة العصبية للقيام سعر الصرف (أو مؤشر سعر الصرف القائم) التنبؤ، ثم استخدم هذا التنبؤ للقيام التداول. ثم، خارج الشبكة العصبية جزء من البرنامج، اتخذنا قرارا على الشبكة العصبية هي أفضل واحد.
الخوارزميات الجينية يمكن التعامل مع هذه المشكلة مباشرة، فإنها يمكن حل المشكلة المذكورة بأنها "العثور على أفضل إشارات التداول".
في هذه المقالة نحن ذاهبون لاستخدام اللحاء العصبية الشبكات البرمجيات لإنشاء مثل هذا البرنامج.
استخدام الخوارزمية الجينية.
الخوارزميات الجينية هي متطورة جدا، ومتنوعة جدا. إذا كنت تريد أن تتعلم كل شيء عنهم، وأنا أقترح عليك استخدام ويكيبيديا، وهذه المقالة هي فقط حول ما اللحاء الشبكات العصبية البرمجيات يمكن القيام به.
وجود برامج الشبكات العصبية اللحاء، يمكننا إنشاء شبكة العصبية التي تأخذ بعض المدخلات، ويقول، قيم مؤشر، وتنتج بعض الإخراج، ويقول، إشارات التداول (شراء وبيع وعقد). وقف الخسارة / أخذ مستويات الربح للوظائف ليتم فتحه.
وبطبيعة الحال، إذا كنا البذور هذه الأوزان الشبكة العصبية لاعبالزبون عشوائيا، وسوف تكون نتائج التداول الرهيبة. ومع ذلك، دعونا نقول نحن خلق عشرات من هذه الشبكات الوطنية. ثم يمكننا اختبار أداء كل منهم، واختيار أفضل واحد، والفائز.
كان هذا هو "الجيل الأول" من ن. للاستمرار في الجيل الثاني، نحن بحاجة إلى السماح للفائز لدينا "الإنجاب"، ولكن لتجنب الحصول على نسخ متطابقة، دعونا نضيف بعض نويس عشوائي لأوزان التنازل.
في الجيل الثاني، لدينا لدينا الجيل الأول الفائز وانها ناقصة (تحور) نسخ. دعونا نفعل الاختبار مرة أخرى. سيكون لدينا الفائز آخر، وهو أفضل ثم أي شبكة العصبية الأخرى في الجيل.
وما إلى ذلك وهلم جرا. نحن ببساطة نسمح للفائزين بالتكاثر، والقضاء على الخاسرين، تماما كما هو الحال في تطور الحياة الحقيقية، وسوف نحصل على أفضل شبكة تداولنا العصبية، دون أي معرفة مسبقة حول ما يجب أن يكون عليه نظام التداول (الخوارزمية الجينية).
الخوارزمية الجينية للشبكة العصبية: مثال 0.
هذا هو أول مثال على الخوارزمية الجينية، وهو مثال بسيط جدا. نحن ذاهبون إلى المشي من خلال ذلك خطوة بخطوة، لتعلم كل الحيل أن الأمثلة التالية سوف تستخدم.
تحتوي الشفرة على تعليقات مضمنة، لذلك دعونا نركز فقط على اللحظات الرئيسية.
أولا، أنشأنا شبكة عصبية. ويستخدم الأوزان العشوائية، ولم يتم تعليمه بعد.
ثم، في دورة، ونحن جعل 14 نسخة منه، وذلك باستخدام MUTATION_NN التبخير. هذه الوظيفة يجعل نسخة من شبكة العصبية المصدر، إضافة قيم عشوائية من 0 إلى (في حالتنا) 0.1 لجميع الأوزان.
نحن نحافظ على مقابض ل 15 نونس الناتجة في صفيف، يمكننا أن نفعل ذلك، والمقبض هو مجرد عدد صحيح.
السبب في أننا نستخدم 15 ننس لا علاقة له مع التداول: اللحاء الشبكات العصبية البرمجيات يمكن رسم ما يصل إلى 15 خطوط على الرسم البياني في وقت واحد.
يمكننا استخدام نهج مختلفة للاختبار. أولا، يمكننا استخدام مجموعة التعلم، كل ذلك في وقت واحد. ثانيا، يمكننا اختبار على سبيل المثال، 12000 ريسوردس (من أصل 100000)، والمشي من خلال مجموعة التعلم، من البداية إلى النهاية. وهذا سيجعل ليرنيغس مختلفة، ونحن سوف ننظر للشبكة العصبية التي هي مربحة على أي جزء معين من البيانات، وليس فقط على مجموعة كاملة. النهج الثاني يمكن أن يعطينا مشاكل، إذا تغير البيانات، من البداية إلى النهاية. ثم ستتطور الشبكة، وستحصل على القدرة على التداول في نهاية مجموعة البيانات، وفقدان القدرة على التجارة في بدايتها.
لحل هذه المشكلة، ونحن في طريقنا لاتخاذ عشوائي 12000 سجلات شظايا من البيانات، وإطعامه إلى الشبكة العصبية.
نضيف أدناه طفل واحد لكل شبكة، مع أوزان مختلفة قليلا. ملاحظة، أن 0.1 للطفرة تانج ليس الخيار الوحيد، كما هو الأمر الواقع، حتى هذه المعلمة يمكن أن يكون الأمثل باستخدام الخوارزمية الجينية.
تضاف ننس التي تم إنشاؤها حديثا بعد 15 منها القائمة. بهذه الطريقة لدينا 30 ننس في صفيف، 15 القديمة و 15 جديدة. ثم سنقوم بالقيام بالدورة التالية من الاختبار، وقتل الخاسرين، من كلا الأجيال.
للقيام الاختبار، ونحن نطبق الشبكة العصبية لبياناتنا، لإنتاج مخرجات، ومن ثم استدعاء وظيفة الاختبار، التي تستخدم هذه النواتج لمحاكاة التداول. يتم استخدام نتائج التداول للتنازل، والتي هي الأفضل.
نحن نستخدم فاصلا من سجلات نلارن، من نستارت إلى نستارت + نلارن، حيث نستارت هو نقطة عشوائية ضمن مجموعة التعلم.
الرمز أدناه هو خدعة. السبب الذي نستخدمه هو توضيح الحقيقة، أن الخوارزمية الجينية يمكن أن تخلق خوارزمية جينية، ولكنها لن تكون بالضرورة أفضل واحد، وأيضا، لاقتراح، أنه يمكننا تحسين النتيجة، إذا كنا نعني بعض القيود على التعلم معالجة.
فمن الممكن، أن نظام التداول لدينا يعمل بشكل جيد جدا على الصفقات الطويلة، والفقراء جدا على القصير، أو العكس بالعكس. إذا، على سبيل المثال، الصفقات الطويلة جيدة جدا، هذه الخوارزمية الجينية قد يفوز، حتى مع خسائر كبيرة على الصفقات قصيرة.
لتجنب ذلك، ونحن تعيين المزيد من الوزن إلى الصفقات الطويلة في التداولات الفردية والقصيرة في دورات حتى. هذا هو مجرد مثال، ليس هناك ما يضمن، أنه سيحسن شيئا. المزيد عن ذلك أدناه، في مناقشة حول التصحيحات. من الناحية الفنية، لم يكن لديك للقيام بذلك، أو يمكن أن تجعل من مختلف.
إضافة الربح إلى صفيف فرزها. فإنه يعود موضع الإدراج، ثم نستخدم هذا الموقف لإضافة مقبض الشبكة العصبية والتعلم واختبار الأرباح إلى صفائف غير فرزها. الآن لدينا بيانات للشبكة العصبية الحالية في نفس مؤشر مجموعة أرباحها.
والفكرة هي الوصول إلى مجموعة من الشبكات الوطنية، مرتبة حسب الربحية. كما صفيف هو الفرز حسب الربح، لإزالة 1/2 من الشبكات، التي هي أقل ربحية، ونحن بحاجة فقط لإزالة ننس 0 إلى 14.
وتستند قرارات التداول على قيمة إشارة الشبكة العصبية، من وجهة النظر هذه البرنامج هو مطابق لأمثلة من المادة السابقة.
استراتيجية التداول الفوركس: مناقشة المثال 0.
أولا وقبل كل شيء، دعونا نلقي نظرة على الرسوم البيانية. الرسم البياني الأول للربح خلال التكرار الأول ليس جيدا على الإطلاق، كما ينبغي أن يتوقع، الشبكة العصبية يفقد المال (image_00_gen_0.png صورة نسخ بعد التكرار الأول من "الصور" مجلد):
صورة للربح على دورة 15 هو أفضل، وأحيانا، يمكن الخوارزمية الجينية تعلم سريع حقا:
ومع ذلك، لاحظ التشبع على منحنى الربح.
ومن المثير للاهتمام أيضا أن ننظر في طريقة تغير الأرباح الفردية، مع الأخذ في الاعتبار، أن عدد منحنى، ويقول، 3 ليس دائما لنفس الشبكة العصبية، كما يجري ولدت وإنهاء كل الوقت:
ونلاحظ أيضا أن القليل من نظام التداول الآلي في الفوركس يؤدي إلى ضعف في الصفقات القصيرة، وأفضل بكثير على الأطوال، التي قد تكون أو لا تكون ذات صلة بالحقيقة، أن الدولار يتراجع مقارنة باليورو خلال تلك الفترة. كما قد يكون لها علاقة مع معلمات مؤشرنا (ربما، نحن بحاجة إلى فترة مختلفة للسراويل القصيرة) أو اختيار المؤشرات.
هنا هو التاريخ بعد 92 و 248 دورات:
لمفاجأة لدينا، خوارزمية وراثية فشلت تماما. دعونا نحاول معرفة السبب، وكيفية مساعدة الوضع.
أولا وقبل كل شيء، ليس كل جيل من المفترض أن يكون أفضل من بريفيوس واحد؟ الجواب ليس، على الأقل ليس ضمن النموذج الذي استخدمناه. إذا أخذنا التعلم الكامل مجموعة في وقت واحد، واستخدامها مرارا وتكرارا لتعليم لدينا ننس، ثم نعم، فإنها سوف تتحسن على كل جيل. ولكن بدلا من ذلك، أخذنا شظايا عشوائية (12000 السجلات في الوقت المناسب)، واستخدامها.
سؤالان: لماذا فشل النظام على شظايا عشوائية من مجموعة التعلم، ولماذا لم نستخدم مجموعة التعلم بأكمله؟ حسنا. للإجابة على السؤال الثاني، فعلت. أداء ننس بشكل كبير - على مجموعة التعلم. وفشلت في اختبار مجموعة، لنفس السبب أنه فشل عندما استخدمنا التعلم فب. لوضعها بشكل مختلف، حصلت لدينا نونس أوفرسبيسياليزد، تعلموا كيفية البقاء على قيد الحياة في البيئة التي تستخدم ل، ولكن ليس خارج ذلك. هذا يحدث الكثير في الطبيعة.
كان القصد من النهج الذي أخذنا بدلا من ذلك للتعويض عن ذلك، من خلال إجبار ننس لأداء جيدة على أي جزء عشوائي من مجموعة البيانات، بحيث نأمل، فإنها يمكن أن تؤدي أيضا على مجموعة اختبار غير مألوف. بدلا من ذلك، فشلت كل من الاختبار وعلى مجموعة التعلم.
تخيل الحيوانات، الذين يعيشون في الصحراء. وهناك الكثير من الشمس، لا الثلوج على الإطلاق. هذا هو ميتافور للسوق ريج، كما لدينا بيانات ننس تلعب دور البيئة. الحيوانات تعلمت أن تعيش في الصحراء.
تخيل الحيوانات التي تعيش في مناخ بارد. الثلج ولا أشعة الشمس على الإطلاق. حسنا، تم تعديلها.
ومع ذلك، في تجربتنا، وضعنا عشوائيا لدينا ن في الصحراء، في الثلج، في الماء، على الأشجار. من خلال تقديم لهم شظايا مختلفة من البيانات (ارتفاع عشوائيا، السقوط، شقة). ماتت الحيوانات.
أو، لوضعها بشكل مختلف، اخترنا أفضل شبكة العصبية لمجموعة البيانات العشوائية 1، والتي، على سبيل المثال، كان لارتفاع السوق. ثم قدمنا، إلى الفائزين وأطفالهم، بيانات السوق المتساقطة. كان أداء الشبكات الوطنية ضعيفا، أخذنا أفضل أداء ضعيف، ربما، أحد الأطفال المتحولين، الذي فقد القدرة على التجارة في الأسواق الصاعدة، ولكن حصلنا على بعض القدرة على التعامل مع هبوط واحد.
ثم تحولنا الجدول مرة أخرى، ومرة ​​أخرى، حصلنا على أفضل أداء - ولكن أفضل بين الفقراء الأداء. نحن ببساطة لم نعطي لدينا الوطنية أي فرص لتصبح عالمية.
هناك تقنيات تسمح الخوارزمية الجينية لتعلم معلومات جديدة دون فقدان الأداء على المعلومات القديمة (بعد كل شيء، يمكن للحيوانات أن تعيش في الصيف وفي الشتاء، أليس كذلك؟ لذلك التطور هو قادرة على التعامل مع التغييرات المتكررة). قد نناقش هذه التقنيات في وقت لاحق، على الرغم من أن هذه المقالة هي أكثر حول استخدام اللحاء الشبكات العصبية البرمجيات، من حول بناء نظام التداول الآلي الفوركس ناجحة.
الخوارزمية الوراثية للشبكة العصبية: مثال 1.
الآن حان الوقت للحديث عن التصحيحات. وهناك خوارزمية وراثية بسيطة أنشأناها خلال الخطوة السابقة لها عيوب رئيسية. أولا، فشلت في التجارة مع الربح. على ما يرام، يمكننا أن نحاول استخدام نظام مدربين جزئيا (كان مربحا في البداية). العيب الثاني هو أكثر خطورة: ليس لدينا السيطرة على الأشياء، أن هذا النظام لا. على سبيل المثال، قد تتعلم أن تكون مربحة، ولكن مع سحب ضخمة.
بل هو حقيقة معروفة، أنه في واقع الحياة، يمكن للتطور تحسين أكثر من معلمة واحدة في وقت واحد. على سبيل المثال، يمكننا الحصول على حيوان، التي يمكن تشغيلها بسرعة وتكون مقاومة للبرد. لماذا لا تحاول أن تفعل الشيء نفسه في نظام التداول الآلي الفوركس لدينا؟
هذا عندما نستخدم التصحيحات، التي ليست سوى مجموعة من العقوبات إضافية. قل، يتداول نظامنا مع سحب 0.5، في حين نريد أن نؤكد ذلك إلى 0 - 0.3 الفاصل الزمني. ل "أخبر" النظام الذي ارتكب خطأ، ونحن خفض أرباحها (واحدة تستخدم لتحديد، والتي فازت الخوارزمية الجينية) إلى درجة، وهذا يتناسب مع حجم د. ثم، خوارزمية التطور يعتني بقية.
هناك عدد قليل من العوامل التي نريد أن نأخذها في الاعتبار: قد نرغب في الحصول على عدد متساو تقريبا من عمليات الشراء والبيع، ونحن نريد أن يكون لدينا المزيد من العمليات المربحة، ثم الإخفاقات، قد نرغب في رسم بياني للربح تكون خطية وهلم جرا.
في تطور_01.تسك نقوم بتنفيذ مجموعة بسيطة من التصحيحات. أولا وقبل كل شيء، نستخدم بعض العدد الكبير لقيمة تصحيح أولية. ونحن نضاعف ذلك إلى القيم الصغيرة (عادة، بين 0 و 1)، اعتمادا على "العقاب" نريد تطبيق. ثم نقوم بضرب أرباحنا لهذا التصحيح. ونتيجة لذلك، يتم تصحيح الربح، لتعكس مدى توافق الخوارزمية الجينية مع معاييرنا الأخرى. ثم نستخدم النتيجة للعثور على الشبكة العصبية الفائز.
استراتيجية تداول الفوركس: مناقشة المثال 1.
المثال 1 يعمل بشكل أفضل بكثير من المثال 0. خلال أول 100 دورة، تعلم الكثير، والرسوم البيانية الربح تبدو مطمئنة. ومع ذلك، كما هو الحال في المثال 0، الصفقات الطويلة هي أكثر ربحية بكثير، وهو ما يعني على الأرجح أن هناك مشكلة في نهجنا. ومع ذلك، وجد النظام وجود توازن بين زوجين من الظروف الأولية المتناقضة:
هناك بعض الديناميات الإيجابية سواء في مجموعة التعلم، والأهم من ذلك، في مجموعة الاختبار.
أما بالنسبة لمزيد من التعلم، في دورة 278 يمكننا أن نرى، أن نظامنا حصلت أوفيرترايند. وهذا يعني، ما زلنا نحرز تقدما في مجموعة التعلم:
ولكن مجموعة الاختبار تظهر الضعف:
هذه مشكلة شائعة مع ننس: عندما نعلمها على مجموعة التعلم، فإنه يتعلم التعامل معها، وأحيانا، فإنه يتعلم جيدا - إلى درجة، عندما يفقد الأداء على مجموعة الاختبار.
للتعامل مع هذه المشكلة، يتم استخدام الحل "التقليدي": نحن نبقي تبحث عن الشبكة العصبية، أن أداء أفضل على مجموعة اختبار، وحفظه، الكتابة فوق أفضل واحد سابق، في كل مرة يتم التوصل إلى ذروة جديدة. هذا هو نفس النهج، استخدمنا في التدريب ففب، إلا، وهذه المرة علينا أن نفعل ذلك أنفسنا (إضافة رمز، التي تبحث عن أفضل شبكة العصبية على مجموعة اختبار، والدعوة SAVE_NN، أو تصدير الأوزان من الشبكة العصبية إلى ملف). بهذه الطريقة، عند إيقاف التدريب الخاص بك، سيكون لديك أفضل أداء على اختبار مجموعة حفظ وانتظاركم.
لاحظ أيضا أنه ليس الحد الأقصى. الربح كنت بعد، ولكن الأداء الأمثل، لذلك النظر في استخدام التصحيحات، عند البحث عن أفضل أداء على مجموعة اختبار.
الخوارزمية الجينية لتحليل الفوركس الفني: أين الآن؟
بعد أن حصلت على الشبكة العصبية الفائز الخاص بك، يمكنك اتباع الخطوات، وصفها في المادة السابقة، لتصدير الأوزان من تلك الشبكة العصبية، ومن ثم استخدامها في منصة التداول في الوقت الحقيقي الخاص بك، مثل ميتا التاجر، محطة التجارة وهلم جرا.
بدلا من ذلك، يمكنك التركيز على طرق أخرى لتحسين الشبكة العصبية، على عكس خوارزمية ففب، هنا يمكنك الحصول على أفاي من استخدام التعلم واختبار مجموعات، ونقل التعلم المتسلسل.

استخدام الخوارزميات الجينية للتنبؤ بالأسواق المالية.
اقترح بيرتون في كتابه "المشي العشوائي في وول ستريت"، (1973) أن "قرد معصوب العينين يلقي رمي السهام في صفحات مالية في صحيفة يمكن أن تختار محفظة من شأنها أن تفعل تماما وكذلك واحدة مختارة بعناية من قبل الخبراء". في حين أن التطور قد جعل الإنسان لا أكثر ذكاء في انتقاء الأسهم، نظرية تشارلز داروين فعالة جدا عندما تطبق بشكل مباشر أكثر. (لمساعدتك في اختيار الأسهم، تحقق من كيفية اختيار الأسهم.)
ما هي الخوارزميات الجينية؟
وفي الأسواق المالية، تستخدم الخوارزميات الجينية بشكل أكثر شيوعا للعثور على أفضل قيم توليفة للمعلمات في قاعدة تداول، ويمكن أن تدمج في نماذج آن مصممة لتحديد الأسهم وتحديد الصفقات. وقد أظهرت العديد من الدراسات أن هذه الأساليب يمكن أن تكون فعالة، بما في ذلك "الخوارزميات الجينية: تكوين تقييم الأسهم" (2004) من قبل راما، و "تطبيقات الخوارزميات الجينية في بيانات سوق الأسهم تحسين التعدين" (2004) من قبل لين، تساو وانغ ، تشانغ. (لمعرفة المزيد عن أن، انظر الشبكات العصبية: التنبؤ الأرباح).
كيفية عمل الخوارزميات الجينية.
على سبيل المثال، قد تتضمن قاعدة تداول استخدام معلمات مثل المتوسط ​​المتحرك للتقارب-الاختلاف (ماسد)، المتوسط ​​المتحرك الأسي (إما) و ستوشاستيك. وعندئذ تقوم الخوارزمية الجينية بإدخال القيم في هذه المعلمات بهدف تحقيق أقصى قدر من صافي الربح. مع مرور الوقت، يتم إدخال تغييرات صغيرة وتلك التي تجعل تأثير مرغوب فيه يتم الاحتفاظ بها للجيل القادم.
هناك ثلاثة أنواع من العمليات الجينية التي يمكن بعد ذلك القيام بها:
وتمثل عمليات الانتقال الاستنساخ والتقاطع البيولوجي في البيولوجيا، حيث يأخذ الطفل خصائص معينة من والديه. وتمثل الطفرات طفرة بيولوجية وتستخدم للحفاظ على التنوع الوراثي من جيل واحد من السكان إلى الجيل التالي من خلال إدخال تغييرات صغيرة عشوائية. الاختيارات هي المرحلة التي يتم فيها اختيار الجينومات الفردية من السكان من أجل التكاثر في وقت لاحق (إعادة التركيب أو كروس أوفر).
ثم يتم استخدام هذه الشركات الثلاث في عملية من خمس خطوات:
تهيئة عدد عشوائي من السكان، حيث كل كروموسوم هو n - طول، مع ن يجري عدد من المعلمات. وهذا يعني أنه يتم تحديد عدد عشوائي من المعلمات مع العناصر n لكل منهما. حدد الكروموسومات، أو المعلمات، التي تزيد من النتائج المرغوبة (صافي الربح المفترض). تطبيق طفرة أو مشغلي كروس إلى الآباء المختارين وتوليد نسل. ريكومبين ذرية والسكان الحاليين لتشكيل السكان الجدد مع المشغل اختيار. كرر الخطوات من 2 إلى 4.
مع مرور الوقت، هذه العملية سوف يؤدي إلى الكروموسومات مواتية على نحو متزايد (أو، المعلمات) لاستخدامها في قاعدة التداول. ثم يتم إنهاء العملية عند استيفاء معايير التوقف، والتي يمكن أن تشمل وقت التشغيل، واللياقة البدنية، وعدد الأجيال أو معايير أخرى. (لمزيد من المعلومات عن مؤشر الماكد، قم بقراءة التداول اختلاف ماكد).
استخدام الخوارزميات الجينية في التداول.
عند استخدام هذه التطبيقات، يمكن للتجار تعريف مجموعة من المعلمات التي يتم تحسينها بعد ذلك باستخدام خوارزمية جينية ومجموعة من البيانات التاريخية. يمكن لبعض التطبيقات تحسين المعلمات التي تستخدم والقيم بالنسبة لهم، في حين أن البعض الآخر يركز في المقام الأول على مجرد تحسين القيم لمجموعة معينة من المعلمات. (لمعرفة المزيد حول هذه الاستراتيجيات المستمدة من البرنامج، راجع قوة برنامج الصفقات.)
نصائح التحسين الهامة والخدع.
اختيار المعلمات هو جزء مهم من العملية، ويجب على التجار البحث عن المعلمات التي ترتبط بالتغيرات في سعر الأمن معين. على سبيل المثال، جرب مؤشرات مختلفة ومعرفة ما إذا كان أي من هذه العوامل يبدو مرتبطا بتحولات السوق الرئيسية.